基于超维混沌映射的蛙跳群神经网络智能控制

摘要

前馈神经网在智能控制设计训练中收敛速度慢、易陷入局部极值,且对初始权值依赖性。为此提出一种基于超维无限折叠反转迭代混沌的蛙跳群优化算法,训练前馈神经网络参数,进行全局优化智能控制设计。算法在充分利用BP算法的误差反传信息和梯度信息的基础上,引入基于超维无限折叠反转迭代混沌的概念,结合混合蛙跳群仿生算法,将混沌蛙跳群作为全局搜索器,以梯度下降信息作为局部搜索器来调整智能控制网络的权值和阈值,实现全局寻优和空间智能搜索。实验和算法对比结果表明,新的人工神经网络智能控制算法在均方差、泛化均方差等指标上较传统算法具有明显优势。改进算法特别适合人工智能控制模型设计与预测建模,具有较高的预测精度和泛化能力,稳健性好,具有较好的全局优化自适应控制能力。